新モデルは空気の改善を実現

Sep 19, 2023

2023 年 3 月 14 日

この記事は、Science X の編集プロセスとポリシーに従ってレビューされています。 編集者は、コンテンツの信頼性を確保しながら、次の属性を強調しました。

事実確認済み

査読済みの出版物

信頼できる情報源

校正する

ペンシルバニア州立大学による

世界的に山火事はより頻繁かつ破壊的なものになっており、大量の煙が発生し、何千マイルも運ばれる可能性があるため、より正確な大気汚染予測の必要性が高まっています。 ペンシルバニア州立大学の研究者チームは、山火事が発生しやすい地域の大気質の予測を改善し、山火事と山火事以外を区別できる深層学習モデルを開発しました。

「気候変動が生態系の変化と課題を引き起こし続ける中、山火事の活動は今後も増加する可能性が高い」とペンシルベニア州立大学地理学助教授でこのプロジェクトの主任研究員であるManzhu Yu氏は述べた。 「このため、特に山火事が発生しやすい地域において、山火事の煙によって引き起こされる大気汚染物質の濃度を正確に予測することが緊急の研究優先事項となっています。」

山火事の煙には、粒子状物質と多くのガス状汚染物質の組み合わせが含まれています。 PM2.5 と呼ばれる微粒子状物質は人間の健康に対する重大なリスクと関連しており、米国 EPA によって規制されています。

「山火事の煙に含まれる微粒子状物質は、その濃度が高いと人間の健康に悪影響を与える可能性があります」とユー氏は述べた。 「火災が発生しやすい地域の大気質の予測は、緊急事態管理者や公衆衛生当局が、大気汚染による環境や公衆衛生への潜在的な悪影響を軽減するのに大きく役立ちます。」

ユウ氏によると、チームの新しいモデルは、人々に危険な大気質についてより早く警告できるようになるという。 研究チームは研究結果を『Science of the Total Environment』誌に報告した。

研究者らによると、大気の質、特に山火事由来の汚染物質の正確な予測は、大気条件、地形、燃料、水分などの山火事の特徴に大きく関係しているため、困難であるという。

「このモデルの利点は、他のモデルでは過小評価される傾向にある存在するPM2.5の量を過小評価せずに、山火事発生時のPM2.5の急激な変化を捉えることができるより良い予測を生成できることです。」とユウさんは言いました。 「同様に、このモデルは火災がないときは PM2.5 を過大評価しません。」

チームが開発したモデルは、「Transformer」と呼ばれる既存の深層学習モデルを反復したもので、元々は言語翻訳用に提案されたシーケンスツーシーケンスのモデルであり、時系列予測に使用されて成功しています。 ST-Transformer と呼ばれる新しいモデルは、山火事に関連する傾向を判断できる新しいフレームワークを使用しています。

ロサンゼルス広域圏にある米国 EPA 大気質観測所からのデータを使用して、モデルは PM2.5 濃度の時系列予測を実行するようにトレーニングされました。 大気質ステーションは広いエリアにまばらに配置されており、1 日を通してデータを収集するため、ST-Transformer は、時間と空間の変数に加えて、相互に影響を与える変数である変数ごとの依存関係を考慮する必要があります。

「ST-Transformer モデルをトレーニングするために、山火事、煙、大気汚染物質の空間的、時間的、変数的な依存関係を組み込みました」と Yu 氏は述べています。 「また、Transformer の完全な注意メカニズムを、最も関連性の高い情報を優先して取得するようにトレーニングできる疎な注意に切り替えました。これにより、モデルは山火事関連の PM2.5 のみに焦点を当てることができます。」

時系列予測のためにこの種のモデル作業を実行する従来の方法は、煙のないシナリオまたはベースラインのシナリオと煙のシナリオに対して個別にモデルをトレーニングすることです。 研究チームによると、ベースラインモデルを使用して山火事の煙のない数日間の大気汚染を予測し、煙モデルを使用して山火事の煙がある数日間を予測できるという。 しかし、Yu と彼女のチームは、これらの入力を 1 つのモデルに統合しました。

「ここで、まばらな注意力が役に立ちます。なぜなら、まばらな注意力があれば、どの入力がより正確な予測を提供するかがわかるからです」と彼女は言いました。 「注意をまばらにすることで、PM2.5 の推定値も向上し、ベースライン時の過大評価や火災時の過小評価が減少します。」

Yu 氏は、ST-Transformer は水質、降水量、日射量などの他の分野の予測を改善するためにも使用できると述べました。

「ST-Transformer は、水中にステーションがある場合の水質問題を予測するのに役立ちますが、ステーションをどこに設置できるかを制御することはできません」と Yu 氏は述べています。 「たとえば、アオコの発生を引き起こす流出水中の窒素やリンは、流動性があり、常に動的に変化するため、山火事のようなものです。センサーがそれを捕捉する場合もあれば、捕捉しない場合もあります。」

詳しくは： Manzhu Yu 他、時空間変換モデルを使用した山火事多発地域における時間ごとの PM2.5 濃度の予測、総合環境の科学 (2022)。 DOI: 10.1016/j.scitotenv.2022.160446

雑誌情報:トータル環境の科学

ペンシルバニア州立大学提供